Encabezado Facultad de Ciencias
Presentación

Actuaría (plan 2006) 2016-2

Optativas, Seminario de Aplicaciones Actuariales

Grupo 9185 12 alumnos.
Aprendizaje Estadístico
Profesor Christian Uriel Carmona Pérez lu mi vi 8 a 9 Taller de Investigación de Operaciones
Ayudante Alejandro David de la Concha Duarte ma ju 8 a 9 Taller de Investigación de Operaciones

 

Sitios web del Curso:

En Google sites (referencia y consulta de material)
https://sites.google.com/a/ciencias.unam.mx/statistical_learning/
En Piazza (plataforma de interaccion principal entre alumnos y profesor)

Descripción

Este curso presentará al estudiante las principales técnicas y conceptos de aprendizaje estadístico, tanto supervisado como no supervisado.
Los temas cubren una variedad de métodos de predicción e inferencia aplicables a diferentes problemas observables en la práctica cotidiana.
Algunos de las técnicas cubiertas incluyen: modelos lineales aplicados a regresión y clasificación, clasificación con K-vecinos cercanos, modelos basados en árboles, técnicas de selección de modelo, introducción a máquinas de soporte vectorial (SVMs), entre otros.

Objetivo

El estudiante aprenderá cómo y cuando aplicar técnicas de aprendizaje estadístico de acuerdo al problema que se está analizando y tipo de variables involucradas; conocerá las ventajas y desventajas de cada modelo, y contará con criterios cuantitativos para evaluar y seleccionar el modelo adecuado para cada conjunto de datos analizado.
En el desarrollo de las modelos cubiertos en el curso, se revisarán los principales aspectos teóricos y propiedades matemáticas de cada uno. Sin embargo, se pretende dar mayor énfasis a la aplicación de cada técnica en un contexto práctico.

Temario

  1. Introducción al aprendizaje estadístico

    1. ¿Qué es aprendizaje estadístico?

    2. Comparación de aprendizaje supervisado y no-supervisado.

    3. Regresión y clasificación.

    4. Ejemplos de aplicaciones comunes.

  2. Regresión lineal.

    1. Modelo lineal simple y multivariado.

    2. Caracteristicas, propiedades y evaluacion del modelo.

    3. Extensiones del modelo lineal.

    4. Modelos de regresión penalizados (Lasso y Ridge).

  3. Técnicas para la evaluación y selección de modelo.

    1. Validación cruzada (evaluación de modelos).

    2. BIC, AIC

    3. Método de Bootstraping (estimación de varianza de estimadores).

    4. Stepwise.

    5. Backward Stepwise.

    6. Mixed Stepwise.

  4. Clasificación de poblaciones.

    1. Regresión logística.

    2. Modelos Lineales Generalizados (GLM)

    3. Análisis de discriminante lineal y cuadrático.

    4. Comparación de métodos de clasificación.

  5. Aprendizaje no-supervisado.

    1. Introducción al Análisis de Componentes Principales (PCA).

    2. Métodos de clustering.

  6. Métodos basados en árboles.

    1. Árboles de regresión.

    2. Árboles de clasificación.

    3. Árboles aleatorios

    4. Metodos de poda

  7. Introducción a Máquinas de Soporte Vectorial.

    1. Maximal Margin Classifier.

    2. Support Vector Classifiers (SVC).

    3. Support Vector Machines (SVM).

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.